1樓：迸質弛咽
ordinal是名義概率單位迴歸，ordered 是順序概率單位迴歸，差別在於probit是否存在順序。
logit模型估計的係數= probit 模型估計的係數 * 1.65 上述關係是確定的。而lpm模型在理論上有誤設定，故估計係數不具有一致性，理論上和logit(probit)模型估計係數沒有關係。
一般來說數量上差距不大，但係數的顯著性經常有不同。
用stata怎麼分別得出probit模型被解釋變數的兩個類別的均值和標準誤，以及
2樓：匿名使用者
probit模型計算後，是得到迴歸係數和標準誤
類別是聚類分析才會用到的術語
如何處理有序probit模型中的內生性問題
3樓：匿名使用者
迴歸模型的本意是給定x值，然後**（或估計）y的條件均值。在給定的x值下，y值可能忽高忽低（即y是隨機變數），其變化程度也可大可小（即y有方差），但其條件均值是可以通過迴歸方法來估計的。
至於y的條件方差，在只有一個固定的x值下是無法估計的（在重複測量樣本下也許可以做到，因為這時有多個固定相同的x值），所以只好簡單地假設對於任何給定的x，y的條件方差都是一樣的（即同方差假設），此時才可以通過多個樣本點來估計一個相同的方差，然後進行各種t檢驗、f檢驗。
通俗一點說，迴歸的思想就是先抓住x，然後觀察y將如何變化。
計量經濟學 解釋係數的含義 ？ 5
4樓：匿名使用者
就是解釋變數變化一個單位，會引起被解釋變數變化幾個單位的意思
求教probit模型係數解釋
5樓：匿名使用者
logit模型估計的係數= probit 模型估計的係數 * 1.65 上述關係是確定的.而lpm模型在理論上有誤設定,故估計係數不具有一致性,理論上和logit(probit)模型估計係數沒有關係.
一般來說數量上差距不大,但係數的顯著性經常有不同.
迴歸中虛擬變數的係數有什麼意義
6樓：友雲德岑君
做logit迴歸即可，multi-logisticregression
我替別人做這類的資料分析蠻多的
希望我的回答對你有所幫助，如果滿意請設定為最佳答案，謝謝
7樓：
(1)如果模型中包含截距項，則一個質變數有m種特徵，只需引入(m-1)個虛擬變數。 (2)如果模型中不包含截距項，則一個質變數有m種特徵，需引入m個虛擬變數。
請問用eviews做probit模型的迴歸公式是什麼？
probit迴歸與logistic迴歸有什麼區別
8樓：116貝貝愛
probit與logistic的區別為：意思不同、用法不同、側重點不同。
一、意思不同
1、probit：概率單位。
2、logistic：數理（符號）邏輯。
二、用法不同
1、probit：
probit模型服從正態分佈。兩個模型都是離散選擇模型的常用模型。但logit模型簡單直接，應用更廣。
而且，當因變數是名義變數時，logit和probit沒有本質的區別，一般情況下可以換用。區別在於採用的分佈函式不同，前者假設隨機變數服從邏輯概率分佈，而後者假設隨機變數服從正態分佈。
2、logistic：logit模型是最早的離散選擇模型，也是目前應用最廣的模型。logit模型是luce（1959）根據iia特性首次匯出的；marschark（1960）證明了logit模型與最大效用理論的一致性；marley（1965）研究了模型的形式和效用非確定項的分佈之間的關係。
三、側重點不同
1、probit：根據常態頻率分配平均數的偏差計算統計單位。
2、logistic：離散選擇法模型之一，logit模型是最早的離散選擇模型。
9樓：因為不懂才註冊
probit迴歸和logistic迴歸幾乎可以用於相同的資料，對於二分類因變數，這兩種方法的結果十分類似。那他們到底有什麼區別呢？
如 果從分佈角度來講，logit函式和probit的函式幾乎重疊，但反映的含義不同，logit等於p/（1-p），這裡p是結局發生的概率，而 probit的函式是f-1（p），注意-1是上標。f是累積的標準正態分佈函式，所以f-1就是累積標準正態分佈函式的逆函式或反函式。
從 解釋的角度來講，logit更容易理解一些，因為p/（1-p）就是我們常說的odds，兩個odds相比就是odds ratio，也就是我們最常用的or值。所以當我們做出結果後，logistic迴歸所反應的實際意義就非常直觀。而相比之下，probit的含義表示自 變數對累積標準正態分佈函式的逆作用，這個就太讓人看不懂了。
當然，實際上我們也可以通過正態分佈值求出probit迴歸中的p，作為概率**，只是比 logistic迴歸要稍微麻煩一些。
但這兩個方法之間也是有關聯的，通常情況下，probit迴歸估計出的引數值乘以1.814，大致會等於logistic迴歸中的引數值。
實 際中具體選擇哪個方法呢？據筆者所查閱的文獻，尚未發現有理論依據，更多的仍是根據個人習慣。從文獻的應用情況來看，logistic迴歸的應用遠遠多於 probit迴歸，這主要是因為logistic迴歸的易解釋性，而不是logistic迴歸比probit迴歸更好或更適合資料。
但 probit迴歸並不是說就要被logistic迴歸替代了，從**的角度來看，probit迴歸還是有較強的使用價值的。其**概率效果與 logistic迴歸一樣的好。如果你確實想知道到底你的資料用哪一個方法好，也不是沒有辦法，你可以看一下你的殘差到底是符合logit函式呢還是符合 probit函式，當然，憑肉眼肯定是看不出來的，因為這兩個函式本來就很接近，你可以通過函式的假定，用擬合優度檢驗一下。
但通常，估計不會有人非要這 麼較真，因為沒有必要。如果你的因變數是二分類，你無論用哪種方法，都不能說錯。蘿蔔青菜，各有所愛而已。
10樓：匿名使用者
logistic迴歸比probit迴歸的應用廣泛，同一資料兩者的結果非常接近。
選擇使用哪種方法沒有統一的標準，主要看專業領域更常使用哪種方法。
11樓：匿名使用者
區別：如果從分佈角度來講，logit函式和probit的函式幾乎重疊，但反映的含義不同，logit等於p/（1-p），這裡p是結局發生的概率，而 probit的函式是f-1（p），注意-1是上標。f是累積的標準正態分佈函式，所以f-1就是累積標準正態分佈函式的逆函式或反函式。
從解釋的角度來講，logit更容易理解一些，因為p/（1-p）就是我們常說的odds，兩個odds相比就是odds ratio，也就是我們最常用的or值。所以當我們做出結果後，logistic迴歸所反應的實際意義就非常直觀。而相比之下，probit的含義表示自 變數對累積標準正態分佈函式的逆作用，這個就太讓人看不懂了。
當然，實際上我們也可以通過正態分佈值求出probit迴歸中的p，作為概率**，只是比 logistic迴歸要稍微麻煩一些。
關聯：這兩個方法之間是有關聯的，通常情況下，probit迴歸估計出的引數值乘以1.814，大致會等於logistic迴歸中的引數值。
probit迴歸模型：最簡單的probit模型就是指被解釋變數y是一個0,1變數，事件發生地概率是依賴於解釋變數，即p(y=1)=f(x)，也就是說,y=1的概率是一個關於x的函式，其中f(.)服從標準正態分佈。
logistic迴歸模型：(logistic regression)屬於概率型非線性迴歸，它是研究二分類觀察結果與一些影響因素之間關係的一種多變數分析方法。在流行病學研究中，經常需要分析疾病與各危險因素之間的定量關係，為了正確說明這種關係，需要排除一些混雜因素的影響。
C 純虛擬函式的C 純虛擬函式，C 中純虛擬函式有什麼作用
我愛你罁 純虛擬函式是在基類中宣告的虛擬函式，它可以在基類中有定義，而且派生類必須定義自己的實現方法。基類不能生成物件，可以使用指標或者引用派生類物件。基類不在基類中實現純虛擬函式的方法是在函式原型後加 0 virtual void funtion1 0 1 為了方便使用多型特性，我們常常需要在基類...
cad模型和佈局的區別，CAD中模型與佈局有什麼區別
模型介面 就是最常用的那個黑色介面 白色線條 預設 通常都在這個介面裡對實體 3d 2d都可以 進行編輯 處理 標尺寸一類的操作。而我們看到cad一般檔案 編輯介面下側還有個佈局1 佈局2，當然我們可以新建很多個佈局，這些佈局的作用就是檢視有一種 列印介面預覽效果，佈局介面內 底色是白色 黑色線條 ...
虛擬函式的定義，C 中虛擬函式必須有定義嗎？
赫連巧山 1.虛擬函式的定義 虛擬函式用來表現基類和派生類的成員函式之間的一種關係.虛擬函式的定義在基類中進行,在需要定義為虛擬函式的成員函式的宣告前冠以關鍵字 virtual.基類中的某個成員函式被宣告為虛擬函式後,此虛擬函式就可以在一個或多個派生類中被重新定義.在派生類中重新定義時,其函式原型,...